- 模拟电子病历的可解释神经时空点过程建模
基于 word2vec 和 Hawkes 过程，提出了一个可解释的事件序列建模框架 inf2vec，其中事件影响直接参数化并可进行端到端学习，实验证明了我们模型在事件预测和类型影响学习方面的优越性。
- KDD时间和动作的织锦：使用时间点过程流模型人类活动序列
ProActive 是一个神经标记的时间点过程（MTPP）框架，用于对活动序列中的动作进行连续时间建模，同时解决了下一个动作预测、序列目标预测和端到端序列生成三个高影响问题。
- AAAI使用可学习哈希的神经时变点过程检索连续时间事件序列
通过探索 NeuroSeqRet 框架，本研究提出了一个具有多个改进的大规模时间序列检索系统，用于解决复杂的连续时间事件序列的检索问题，并将其应用于预测建模和相关任务中，展示了较大的准确性提升以及哈希机制的有效性。
- 脑中序列的计算
该研究针对机器学习和认知神经科学中的中心课题提出了一种形式化的神经活动模型，该模型可以通过神经元集合的创建和操作实现某些简单的认知操作，并具有较强的泛化、鲁棒性和快速性，还可以捕捉时间和空间序列，实现通用计算。
- 线性时态卷积网络的正向和反向逼近理论
本篇论文对卷积架构在建模时序序列中的逼近性质进行了理论分析，证明了逼近速率估计和逆逼近定理，并通过引入改进的复杂度测度来提高速率估计。逆逼近定理是新的，两者共同提供了卷积架构能够高效捕捉的时序关系类型的综合特征。
- 生物启发式的人类运动序列连续学习
本文提出了一种基于生物学启发的有条件时间变分自编码器（BI-CTVAE）的模型，用于连续学习涉及时间序列的任务，特别是人类运动，最终将其应用于生成运动序列的连续学习中，并在人类运动数据集上进行测试，结果分类准确率为 78％，比不使用重放模型 - ICMLCITRIS：从时间干预序列中推断因果可辨识性
本文提出了 CITRIS，一个基于变分自编码器的框架，通过观察可能受到干预的图像序列，学习掌握因果关系。与过去文献不同的是，CITRIS 结合了时间因素和观察干预目标，实现了识别标量和多维因果因素（例如 3D 旋转角度）的能力，并使用归一化 - SpecTNT: 用于音乐音频的时频变换器
本文介绍了一种基于 Transformer 网络的音频处理系统 SpecTNT，使用自己提出的 Transformer-in-Transformer 架构实现了同时建模时域和频域信息的效果，在乐曲分析的任务上达到了当时最好的性能。
- IJCAI时间和物体量化网络
TOQ-Nets 是一种新的神经符号网络，它具有结构偏差，可以通过包含基于对象和时间的有限域量化的推理层来学习识别复杂的关系 - 时态事件，并且该结构允许它们直接推广到具有不同长度时序列和对象的输入实例中。
- CVPR通过全局时间对齐和循环一致性进行表征学习
本文提出了一种针对同一过程（如人类动作）的时间序列（例如视频）的弱监督表征学习方法，通过对全局时间序列进行对齐，并利用对齐的隐变量跨序列对的全局时间顺序作为监督信号进行表征学习，通过最优序列对齐进行嵌入网络的训练。通过大量实验表明，该方法在 - 子正则复杂度与深度学习
本文通过对两种循环神经网络的实验研究，证明了正则正负推理算法是深度神经网络能否表示和学习时间序列中的长期依赖的可靠工具。此外，本文发现在同种实验中简单循环神经网络在最难的实验中表现出色，长短时记忆网络的表现总体上比简单循环神经网络差。
- ICLRSampleRNN: 一种无条件端到端的神经音频生成模型
本文提出了一种新的无条件音频生成模型，该模型利用自回归多层感知机和有状态循环神经网络的分层结构来捕捉长时间跨度中时间序列的潜在变化源，并在不同数据集上进行人类评估，结果表明该模型优于竞争模型。同时还展示了模型的各个组件对展示性能的贡献。
- ICML神经条件随机场的序列分类
该研究论文探讨了如何使用基于条件随机场（CRFs）的多传感器融合算法对人类活动监控的大量时间序列进行分类，同时提供了区分不同类型序列的判别模型，实验结果证明了该方法的有效性。